基于用户兴趣和浏览行为的个性化推荐技术研究

摘要

在互联网快速发展的今天，网络上的信息日益膨胀，面对这众多的信息资源，广大网民发现越来越难以获得自己想要的信息。个性化的服务技术就在这种需求背景下诞生了。个性化服务是根据用户的设定来实现的，是一种有针对性的服务方式，通过各种渠道对资源进行收集、整理和分类，向用户提供和推荐相关信息，以满足用户的需求。个性化服务打破了传统的被动式的服务模式，能够充分利用各种资源优势，主动开展以满足用户个性化需求为目的的服务。
　　本文对个性化推荐系统及其相关技术进行了研究，首先分析了间接信息提取和直接信息反馈这两种常用的互联网用户爱好提取方式各自的优点和缺点，并在这一基础上提出了一种利用半显式半隐式爱好提取方式来得到互联网用户的兴趣信息的新的互联网用户爱好提取方式。其次对常见的几种兴趣模型进行了分析，提出了构建在互联网用户兴趣消退基础上的兴趣模型表示。最后通过对个性化推荐系统的设计目标进行分析，在互联网用户兴趣消退的兴趣模型基础上，利用Pearson相关性算法计算用户和资源项目间的相似性，并利用K最近邻分类算法计算相似用户的“邻居区”，进而提出了基于资源项目的个性化推荐。
　　此外，还对Pearson相关性算法和基于余弦的相似性算法进行了对比测试，实验结果表明Pearson相关性算法和基于余弦的相似性算法相差不大。在最近邻体积的大小对个性化推荐系统质量的影响的测试中发现当最近邻体积超过30时最近邻体积的大小对推荐系统的质量影响不明显。对基于用户的协同过滤算法和基于资源项目的协同过滤算法的比较测试则表明基于资源项目的协同过滤算法比基于用户的协同过滤算法更具优势。而用以揭示互联网用户浏览行为与兴趣爱好之间关系的半显式半隐式爱好提取实验说明网页滞留时长和网页拖移时长与互联网用户表现出来的对页面的爱好程度有关，网页触发数与互联网用户爱好没有明显的关系。